LCANets++：基于具有侧向竞争的多层神经网络的高鲁棒性音频分类
声音
2024-03-28 v2 密码学与安全
机器学习
音频与语音处理
摘要
音频分类旨在识别音频信号，包括语音命令或声音事件。然而，当前的音频分类器易受扰动和对抗攻击的影响。此外，现实世界的音频分类任务常常受限于标记数据不足。为助力弥补这些差距，先前的工作为计算机视觉开发了通过第一层局部竞争算法（LCA）进行稀疏编码的受神经启发卷积神经网络（CNNs）（即LCANets）。LCANets以监督与无监督学习结合的方式学习，减少了对标记样本的依赖。受听觉皮层同样具有稀疏性的启发，我们将LCANets扩展到音频识别任务，并引入LCANets++，其为通过LCA在多层执行稀疏编码的CNNs。我们证明了LCANets++比标准CNNs和LCANets对扰动（例如背景噪声）以及黑盒和白盒攻击（例如规避攻击和快速梯度符号（FGSM）攻击）更具鲁棒性。
引用
@article{arxiv.2308.12882,
title = {LCANets++: Robust Audio Classification using Multi-layer Neural Networks with Lateral Competition},
author = {Sayanton V. Dibbo and Juston S. Moore and Garrett T. Kenyon and Michael A. Teti},
journal= {arXiv preprint arXiv:2308.12882},
year = {2024}
}
备注
Accepted at 2024 IEEE International Conference on Acoustics, Speech and Signal Processing Workshops (ICASSPW)